Driver State Classification: Identifying High Cognitive Load and Drowsiness Through Driver Performance and Physiology
Notice bibliographique
Résumé
This study investigates the effect of high cognitive load and drowsiness on driving performance (speed, lane position, steering wheel movement) and driver physiology (cardiac activity, skin conductance) and uses these measures in classifying high cognitive load, alert, and drowsy driver states. A within subject driving simulator experiment was conducted with twenty-seven participants (14 females, mean age: 36.7). High cognitive load was induced via the n-back task (1-back, 2-back), a commonly used auditory-verbal recall task. Drowsiness was induced by monotonous driving (i.e., extended periods of low cognitive load), and was rated by trained observers. Mixed linear models were used to analyze the differences between the driver states, while machine learning models were used for multi-class classification. Compared to alert driving with no additional cognitive load, high cognitive load was associated with greater physiological arousal and speed variation and reduced speed and standard deviation of lane position (SDLP). Drowsiness was associated with lower physiological arousal and increased speed, SDLP, and standard deviation of steering wheel angle. Tree-based ensemble models (i.e., random forest, XGBoost) performed the best in classification. With simple features such as the average and SD, high cognitive load, drowsiness, and alert states were classified with up to 76% average accuracy. These measures could differentiate high cognitive load states with around 85% AUC and drowsiness with around 79% AUC within one model. These findings can help in the selection of metrics for driver monitoring systems that can differentiate driver cognitive overload and underload and inform the design of real-time intervention systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».